完全小白如何运行人生中的第一个Bert文本分类代码

诸神缄默不语-个人CSDN博文目录

本文写于2023.3.20，不保证未来以下代码及操作过程仍然可以使用。
本文主要关注中文短文本分类。不过其他场景只要换预训练模型就行。
整体的训练流程是：将数据分成训练集、验证集和测试集。在训练集上训练16个epoch，在每次训练之后都在验证集上测试一遍，最终选择指标最高的一个epoch的checkpoint来运行测试集，得出其结果，并与真实标签进行对比，得到模型的最终指标。

1. 准备数据集

数据用的是https://raw.githubusercontent.com/SophonPlus/ChineseNlpCorpus/master/datasets/ChnSentiCorp_htl_all/ChnSentiCorp_htl_all.csv。

此处不介绍具体对该数据集的处理过程，可参考用huggingface.transformers在文本分类任务（单任务和多任务场景下）上微调预训练模型一文。在这里，我主要是为了将数据集处理为一个比较显明易读的格式，以便读者替换为自己的数据集。

数据集都是CSV格式的文件，label列是标签（这里是数字形式。如果是文本形式，要先映射为数字）， review列是要被分类的文本。
示例：

2. 安装运行环境、下载必要文件

建议使用Linux系统，但是如果你非要想用Windows系统也行。
如果直接使用Google Colab等集成平台，可以跳过下面的这些安装步骤。

1. 安装VSCode：Visual Studio Code - Code Editing. Redefined
2. 安装Python：建议直接下载anaconda（Anaconda教程（持续更新ing…））
   （以下步骤建议在anaconda中新建一个虚拟环境，然后再行操作）
3. 安装PyTorch：PyTorch安装教程
4. 安装transformers：huggingface.transformers安装教程
5. 安装sklearn（如果你直接用anaconda的base环境，应该是可以直接跳过这一条的）：Installing scikit-learn — scikit-learn 1.2.2 documentation
6. 下载Bert预训练模型：下载这里所有的文件：bert-base-chinese at main
   然后放到某个文件夹里，这个文件夹路径在下面的代码里放到pretrained_path位置处

3. 运行代码

在VSCode中新建一个文本文件，取名为chn_run.py，把如下代码复制进去（记得删掉CSDN复制后产生的多余文字）：

import csv
from tqdm import tqdm
from copy import deepcopy

from sklearn.metrics import accuracy_score,precision_score,recall_score,f1_score

import torch
import torch.nn as nn
from torch.utils.data import DataLoader

from transformers import AutoTokenizer,AutoModelForSequenceClassification

"""超参设置"""
pretrained_path='/data/pretrained_model/bert-base-chinese'
dropout_rate=0.1
max_epoch_num=16
cuda_device='cuda:2'
output_dim=2

"""加载数据集"""
#训练集
with open('chn_train.csv') as f:
    reader=csv.reader(f)
    header=next(reader)  #表头
    train_data=[[int(row[0]),row[1]] for row in reader]

#验证集
with open('chn_valid.csv') as f:
    reader=csv.reader(f)
    header=next(reader)
    valid_data=[[int(row[0]),row[1]] for row in reader]

#测试集
with open('chn_test.csv') as f:
    reader=csv.reader(f)
    header=next(reader)
    test_data=[[int(row[0]),row[1]] for row in reader]

tokenizer = AutoTokenizer.from_pretrained(pretrained_path)
def collate_fn(batch):
    pt_batch=tokenizer([x[1] for x in batch],padding=True,truncation=True,max_length=512,return_tensors='pt')
    return {'input_ids':pt_batch['input_ids'],'token_type_ids':pt_batch['token_type_ids'],'attention_mask':pt_batch['attention_mask'],
            'label':torch.tensor([x[0] for x in batch])}

train_dataloader=DataLoader(train_data,batch_size=16,shuffle=True,collate_fn=collate_fn)
valid_dataloader=DataLoader(valid_data,batch_size=128,shuffle=False,collate_fn=collate_fn)
test_dataloader=DataLoader(test_data,batch_size=128,shuffle=False,collate_fn=collate_fn)

"""建模"""
#API文档：https://huggingface.co/docs/transformers/main/en/model_doc/bert#transformers.BertForSequenceClassification
model=AutoModelForSequenceClassification.from_pretrained(pretrained_path,num_labels=output_dim)
model.to(cuda_device)

"""构建优化器、损失函数等"""
optimizer=torch.optim.Adam(params=model.parameters(),lr=1e-5)
loss_func=nn.CrossEntropyLoss()
max_valid_f1=0
best_model={}

"""训练与验证"""
for e in tqdm(range(max_epoch_num)):
    for batch in train_dataloader:
        model.train()
        optimizer.zero_grad()
        input_ids=batch['input_ids'].to(cuda_device)
        token_type_ids=batch['token_type_ids'].to(cuda_device)
        attention_mask=batch['attention_mask'].to(cuda_device)
        labels=batch['label'].to(cuda_device)
        outputs=model(input_ids,token_type_ids,attention_mask,labels=labels)
        outputs.loss.backward()
        optimizer.step()
    
    #验证
    with torch.no_grad():
        model.eval()
        labels=[]
        predicts=[]
        for batch in valid_dataloader:
            input_ids=batch['input_ids'].to(cuda_device)
            token_type_ids=batch['token_type_ids'].to(cuda_device)
            attention_mask=batch['attention_mask'].to(cuda_device)
            outputs=model(input_ids,token_type_ids,attention_mask)
            labels.extend([i.item() for i in batch['label']])
            predicts.extend([i.item() for i in torch.argmax(outputs.logits,1)])
        f1=f1_score(labels,predicts,average='macro')
        if f1>max_valid_f1:
            best_model=deepcopy(model.state_dict())
            max_valid_f1=f1

"""测试"""
model.load_state_dict(best_model)
with torch.no_grad():
    model.eval()
    labels=[]
    predicts=[]
    for batch in test_dataloader:
        input_ids=batch['input_ids'].to(cuda_device)
        token_type_ids=batch['token_type_ids'].to(cuda_device)
        attention_mask=batch['attention_mask'].to(cuda_device)
        outputs=model(input_ids,token_type_ids,attention_mask)
        labels.extend([i.item() for i in batch['label']])
        predicts.extend([i.item() for i in torch.argmax(outputs.logits,1)])
    print(accuracy_score(labels,predicts))
    print(precision_score(labels,predicts,average='macro'))
    print(recall_score(labels,predicts,average='macro'))
    print(f1_score(labels,predicts,average='macro'))

需要修改的内容：

1. pretrained_path：改成你放预训练模型的文件夹
2. cuda_device：改成你能用的卡。如果不用GPU就改成cpu
3. output_dim：改成你的分类标签总数
4. chn_*.csv：改成你放置CSV文件的位置

运行结果类似于：

env_path/lib/python3.8/site-packages/scipy/__init__.py:146: UserWarning: A NumPy version >=1.16.5 and <1.23.0 is required for this version of SciPy (detected version 1.23.5
  warnings.warn(f"A NumPy version >={np_minversion} and <{np_maxversion}"
Some weights of the model checkpoint at /data/pretrained_model/bert-base-chinese were not used when initializing BertForSequenceClassification: ['cls.predictions.transform.dense.bias', 'cls.seq_relationship.bias', 'cls.predictions.decoder.weight', 'cls.predictions.transform.dense.weight', 'cls.seq_relationship.weight', 'cls.predictions.transform.LayerNorm.weight', 'cls.predictions.bias', 'cls.predictions.transform.LayerNorm.bias']
- This IS expected if you are initializing BertForSequenceClassification from the checkpoint of a model trained on another task or with another architecture (e.g. initializing a BertForSequenceClassification model from a BertForPreTraining model).
- This IS NOT expected if you are initializing BertForSequenceClassification from the checkpoint of a model that you expect to be exactly identical (initializing a BertForSequenceClassification model from a BertForSequenceClassification model).
Some weights of BertForSequenceClassification were not initialized from the model checkpoint at /data/pretrained_model/bert-base-chinese and are newly initialized: ['classifier.weight', 'classifier.bias']
You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 16/16 [1:39:37<00:00, 373.62s/it]
0.8088803088803089
0.7998017541751772
0.7586588921282799
0.7722809550288214

开头警告不用管。

（注意，不用在乎具体数值结果，我连续跑了2次，相差10个点……我用另一种类似的写法写出来能上90%呢，反正这个指标不用太在意，它稳定性很差的：用huggingface.transformers在文本分类任务（单任务和多任务场景下）上微调预训练模型）

4. 常见问题

1. 如果CSV文件使用的不是默认分隔符、特殊字符和编码方式，需要在reader()函数中添加对应的入参
2. 如果原始数据不是CSV格式的文件，或者没有形成训练/验证/测试这样的分割方式，可以自己写个代码改成这种格式的
3. 如果测试集没有标签，请去掉代码第100行其后的内容
4. 如果想要得到在数据上的预测标签：待补
5. 如果出现
6. 其他报错情况
   1. RuntimeError: CUDA error: CUBLAS_STATUS_INTERNAL_ERROR when calling `cublasSgemm( handle, opa, opb, m, n, k, &alpha, a, lda, b, ldb, &beta, c, ldc)``
      据我所知应该是Python、PyTorch和cuda对应的版本安装错误了，建议重装
7. 其他报错信息可以发评论区问我，我看到并且会解决的就发在博文里。
   请把报错信息复制全。就算是老中医看病也要望闻问切，你光给我前面一截子报错信息，你这是让我悬丝诊脉是吧？我能看懂个锤子啊！